从噪声数据计算矩阵剖面
本研究介绍了一种基于传感器的远程健康监测方法，使用上下文矩阵剖面（CMP）的配置版来检测噪声环境下的异常事件和不良健康状况，同时提出了一种基于图形的异常检测方法，能够编码时间上下文的异常性，有效地辨识、监测与预警真正的异常状况。
Nov, 2022
本文提出了一种基于功率映射的新型方法来估计金融相关性矩阵中的噪声，能够有效地探测出不同的相关结构，并引入了一种旨在评估噪声与相关性之间关系的度量，无需进一步的数据处理或附加输入。
Jun, 2002
通过基于矩阵剖面（Matrix Profile）的时间序列综合方法（TSSUMP），我们可以合成时间序列以替代原始数据，从而解决由于隐私规定或机密商业信息泄漏的难题，并保持合成时间序列与原始时间序列之间的相似连接信息（Matrix Profile），同时减少相关性，从而保护个别时间步长的值和本地模式，使得结果数据可以用于数据分析师感兴趣的下游任务。
Nov, 2023
提出了一种在多维时间序列中进行异常挖掘的草图方法，通过对数据进行初始预处理后，实时独立于原始数据的维度性能。该方法具有至少一个数量级（50X）的吞吐量改进，并对近似解的质量影响较小，同时还可以处理维度的动态添加或删除。
Nov, 2023
本篇论文提出了一种名为残差比阈值法（Residual Ratio Thresholding，RRT）的新技术，可以在没有关于疏密性和噪声统计的任何先验知识情况下运行正交匹配追踪（Orthogonal Matching Pursuit，OMP），并为其建立有限样本和大样本支持恢复保证。分析结果和实数及虚数数据集的数值模拟表明，RRT 的性能与具有先验知识的 OMP 相当。
Jun, 2018
提出了 ResidualPlanner，一种用于带有高斯噪声的边缘矩阵机制，既是最优的又是可扩展的。ResidualPlanner 可以在大规模设置中优化矩阵机制的精度，在几秒钟内运行，甚至可以在几分钟内处理带有 100 个属性的数据集。
May, 2023
通过使用矩阵剖面方法，我们正式定义了一种在两个时间序列之间推断关注模式的理念，并提出了一个框架来推测两个时间序列之间的关注模式。该框架在模拟数据集中表现优于基线，并能够在音频记录和加密货币数据集中检测出关注模式。我们的框架可应用于任何时间序列领域，以获取关于时间序列之间关注模式的洞见。
Jan, 2024